CNN中的卷积层

Question

我们知道CNN中的卷积层使用过滤器，不同的过滤器会在输入图像中查找不同的信息。

但是在这个SSD中，我们有原型文件，它有卷积层的规范为

layer {
  name: "conv2_1"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2_1"
  param {
    lr_mult: 1.0
    decay_mult: 1.0
  }
  param {
    lr_mult: 2.0
    decay_mult: 0.0
  }
  convolution_param {
    num_output: 128
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0.0
    }
  }
}

不同网络中的所有卷积层（如GoogleNet，AlexNet，VGG等）或多或少相似。 只要看一下以及如何理解，这个卷积层中的过滤器尝试提取输入图像的哪些信息？

编辑： 让我澄清一下我的问题。 我从prototxt文件中看到两个卷积层，如下所示。他们来自SSD。

layer {
  name: "conv1_1"
  type: "Convolution"
  bottom: "data"
  top: "conv1_1"
  param {
    lr_mult: 1.0
    decay_mult: 1.0
  }
  param {
    lr_mult: 2.0
    decay_mult: 0.0
  }
  convolution_param {
    num_output: 64
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0.0
    }
  }
}

layer {
  name: "conv2_1"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2_1"
  param {
    lr_mult: 1.0
    decay_mult: 1.0
  }
  param {
    lr_mult: 2.0
    decay_mult: 0.0
  }
  convolution_param {
    num_output: 128
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0.0
    }
  }
}

然后我在这里打印他们的输出

数据

conv1_1和conv2_1图片为here和here。

所以我的查询是这两个转换层如何产生不同的输出。但是prototxt文件没有区别。

Answer 1

早期图层的滤镜代表边缘等低级特征 （这些功能保留更高 用于精确定位的空间分辨率，具有类似于Gabor滤波器的响应图的低级视觉信息。另一方面，中层提取物处的滤镜具有角落或斑点等特征，这些滤镜更为复杂。

随着您的深入，您无法对这些功能进行可视化和解释，因为中级和高级图层中的滤镜不直接连接到输入图像。例如，当您获得第一层的输出时，您实际上可以将其可视化并将其解释为边缘，但是当您更深入并将第二个卷积层应用于这些提取的边缘（第一层的输出）时，您会得到类似边缘的东西边缘（或像这样）并捕获更多的语义信息和更细粒度的空间细节。在原型文件文件中，所有卷积和其他类型的操作可以彼此相似。但是由于具有不同的顺序和权重，它们提取不同类型的特征。

Answer 2

"Convolution"图层不仅在参数上有所不同（例如，kernel_size，stride，pad等等，而且还有权重 ：卷积核的可训练参数 您会看到不同的输出（又名＆＃34;响应＆＃34;），因为过滤器的权重不同。

有关＆＃34;数据＆＃34;之间的区别，请参阅this answer。 blob和＆＃34;参数/权重＆＃34; caffe中的blob。